Muhammad Ferjad Naeem

ProTextは、テキストだけのデータを使って視覚と言語のモデルを強化し、タスクの処理をより良くするんだ。

FocusCLIPはヒートマップとテキスト説明を使って人間の行動認識を向上させるんだ。

高度な動画理解モデルの能力と課題を評価する。

新しい拡散ベースのアプローチが、いくつかのコンピュータービジョンタスクを効果的に解決する。